GVD-Exploration：一种基于快速广义Voronoi图提取的高效机器人
#论文#arxiv |GVD-Exploration：一种基于快速广义Voronoi图提取的高效机器人自主探索框架 【GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction】 作者单位：苏州大学、新加坡国立大学、南方科技大学 文章链接：http://arxiv.org/abs/2309.06041 快速搜索随机树( RRTs )是移动机器人自主探索的热门技术。然而，RRTs采用的随机抽样会导致前沿面提取的低效和不准确，从而影响勘探性能。针对路径规划速度慢和路径代价高的问题，提出了一种基于广义Voronoi图( GVD )的多选择机器人探索策略。我们的框架由三个部分组成：一个新颖的建图模型，使用一个端到端的神经网络来实时地构建环境的GVD；基于GVD的启发式方案，加速前沿提取并减少前沿冗余；以及一种考虑不同类型前沿的多选择前沿分配方案，使机器人在探索过程中做出理性决策。我们在仿真和真实世界的实验中评估了我们的方法，并表明它在效率和鲁棒性方面优于基于RRT的探索方法。 注释- -本文旨在提高移动机器人的自主探索性能，加快探索进程。提出了一种高效、鲁棒的自主机器人探索框架。与基于RRT的移动机器人自主探索相比，我们的方法基于GVD信息增益提取前沿，与随机树生长无关，有效地缓解了与陷阱空间问题相关的挑战。与大多数现有的机器人探索策略不同，我们的机器人采用了基于各种前沿的多样化探索决策，而不是依赖于单一的决策方法。对此，自主机器人优先在局部边界内进行探索，而在全局探索时，将探索任务转化为TSP问题进行优化，保证机器人做出最优的行为决策。最后，通过在各种模拟和真实环境中的实验，验证了所提方法的可行性和可靠性。所提出的框架可应用于移动机器人在不同类型环境中的自主探索。
